摘要：如何评价学生的网络学习行为，是网络学习课程所必须解决的一个大问题。为了解决这一问题，分析了各个影响评价结果的因素，把各因素作为神经网络系统的输入，通过对神经网络的训练，构建基于神经网络的学习评价系统，并利用matlab进行仿真。实验结果表明，该方法能够较好的解决《数据结构》资源共享课程中的网络学习评价问题。

　　关键词：神经网络；学习评价；数据结构

　　中图分类号：G642.0 文献标志码：A 文章编号：1674-9324（2014）29-0266-03

　　一、引言

　　网络学习中需要解决的一个重要问题就是学习评价，通过评价用来衡量学生掌握知识的程度，测量所有教学形式和活动的成效，并调整网络学习课程的设计。传统的学期末对学生进行笔试和平时情况的综合考评并不适合网络学习，对于网络学习评价，我们可以从平时的在线时间、作业完成量、数据结构实验的完成情况，在线测试结果，答疑解惑积分；分析这些因素，然后制定等级指标，并赋予不同等级。比如可以采取优秀、良好、中等、及格、不及格五个等级，达到最高标准的为优秀（90～100分），其次为良好（80～90分）、中等（70～80分）、及格（60～70分）、不及格（60以下），再根据相同等级中不同高低的评价语言比较得出较为符合实际的合理准确的分值。要得出各个指标的值，在现今的网络技术里面并不困难，可以在每个学生登录系统以后以这些指标作为一个数据项，记录这些值。因此网络学习评价问题就是一个根据输入得出一个分类的问题。根据网络学习评价指标因素，对各因素进行分析，处理得出学生的评定等级。在上面提的问题中，如何确定各个因素所占的权重是该分类问题里面一个需要考虑的要素，我们不能凭空想象，也不能按照主观来判定，因为那样对一部分学生而言是不公平的，比如：如果我们把在线时间作为一个重点考察的因素，假设权重给出0.5，但是有些学生学习效率高，在短的时间来里面能够完成教师所留的作业，或者达到了相应的学习效果，相对来说在线的时间可以短一些，如果在线时间的权重较大，该学生最后的评价肯定会受到影响。合理确定各指标所占权重并分类是该网络学习评价系统的主要问题，而神经网络恰好能解决这两个问题。因此，本文设计了一个基于神经网络的《数据结构》网络课程的学习评价系统。

　　二、神经网络

　　神经网络（人工神经网络（Artificial Neural Networks，简写为ANNs）是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。神经网络首先要以一定的学习准则进行学习，然后才能工作。训练时，首先把样例信息输入到网络中，由网络自第一个隐层开始逐层的进行计算，并向下一层传递，直至传至输出层，其间每一层神经元只影响下一层神经元的状态。然后，与其输出与样例的期望输出进行比较，并利用两者按一定的原则对各层节点连接权值进行调整，使误差逐步减小，直到满足要求为止。经过网络按以上学习方法进行若干次学习后，网络判断的正确率将大大提高。当网络再次遇到其中任何一个模式时，能够做出迅速、准确的判断和识别。一般说来，网络中所含的神经元个数越多，则它能记忆、识别的模式也就越多。后向传播模型（BP，Back Propagation）是一种按误差逆传播算法训练的多层前馈网络，是目前应用最广泛的神经网络模型之一。其具体模型如下：

　　BP算法具体过程如下：

　　①选定p个样本。②权值初始化（随机生成）。③依次输入样本。④根据作用函数依次计算各层的输出，一般来说作用函数选取f（x）=■，对于隐藏层yi=f（■

　　WijXj-θi），其中：Wij连接权值，θi结点阈值。而对于输出层Ol=f（■Tliyi-θl），其中：Tij连接权值，θi结点阈值。⑤求各层的反传误差。对于输出层，假设输出结点的期望输出ti，所有样本误差：E=■ek<ε，其中一个样本误差：ek=■t■■-O■■，p为样本数，n为输出结点数。误差公式：δl=（tl-Ol）？Ol?（1-Ol），对于隐含层的误差：δi=yi（1-yi）■δlTli。⑥按权值调整公式修正各权值和阀值。对于输出层的权值修正：Tli（k+1）=Tli（k）+ηδiyi，其中k为迭代次数；对于输出层的阈值修正：θl（k+1）=θl（k）+ηδl；对于隐含层的权值修正：Wij=（k+1）=Wij（k）+ηδixj；对于隐含层的阈值修正：θi（k+1）=θi（k）+ηδi，⑦按新权值计算各层的输出，直到误差小于事先设定阀值。

　　三、基于BP神经网络的学习评价系统的设计

　　针对《数据结构》网络课程评价系统的特点，以及神经网络的算法功能，下面对基于神经网络的学习评价系统的过程流程图：

　　1.准备阶段，确定学习评价指标。主要考虑学生学习评价的几个特征量，主要由在线时间、作业评定和数据结构实验的完成情况，在线测试结果，答疑解惑积分。在线时间可以记录学生登录网络教学系统的时间、次数等统计数据，主要包含上网总时间、在线交流总时间等。作业评定用来显示教师对学生在网络教学系统中提交作业的评判和评分。数据结构实验完成情况，主要根据教师布置的实验学生的完成情况。在线测试结果是学生对数据结构网络课程给出的在线测试题目所得分数。答疑解惑积分记录学生在本课程学习中，参与在线交流讨论答疑的次数和时间，同时，还记录在本课程的讨论答疑中，提出问题和回复问题的次数，针对改评价系统的需要，我们可以在设定学生属性时，增加这些数据项的记录。

　　2.数据的获取，由于在设计数据库的时候已经考虑了学生的各项评价指标，因此只需在数据库中读取即可。

　　3.数据的处理，是指利用从数据库中获取出的学生评价指标，并通过个指标的数据进行0-1处理，作为我们神经网络的输入，通过对神经网络对数据的训练，得出合理的权值，然后得出评价结果。 　　4.评价结果，即神经网络的输出层。由于网络学习评价的结果只有一个，因此输出层就只有一个节点。

　　四、系统的实现

　　本系统利用matlab的神经网络工具箱，对设计的基于神经网络的系统实现，这里面涉及到参数的训练，以今年上学期本人所任教的数据结构课程的其中一个班的学生成绩50组数据作为训练集，学生有在线时间、作业完成量和数据结构实验的完成情况，在线测试结果，答疑解惑积分数据，这个作为神经网络系统的输入，经过神经网络的分类以后得出输出结果，其结果与学生笔试和平时成绩按比例得出的结果比较，如果相差较大则不断地调整权值，直到符合能接受的误差为止。具体的操作步骤如下：

　　1.归一化处理。为了提高神经网络的训练效率，通常要对样本数据作适当的预处理。首先，利用prestd函数对样本数据作归一化处理，使得归一化后的输入和目标数据均服从正态分布，即[pn，meanp，stdp，tn，meant，stdt]=prestd（p，t）；然后，利用prepca函数对归一化后的样本数据进行主元分析，从而消除样本数据中的冗余成份，起到数据降维的目的。

　　2.对训练样本、验证样本和测试样本进行划分。在训练之前，需要将上面处理后的样本数据适当划分为训练样本集、验证样本集和测试样本集。在本案中以2012～2013年第二学期学习该门课程一个班的50组学生作为训练样本，利用各项网络学习指标作为样本输入数据，根据期末考试的总评成绩作为输出目标，训练出我们评价系统的各合适权值。以另一个班的50名学生为验证样本集，同时对另外90名学生的学习状况动态跟踪采集，作为测试样本集。

　　3.网络生成与训练。选用两层BP网络，其中网络输入维数为5，输出维数为1，输出值即为学生评价的等级。网络中间层神经元数目预选为4，传递函数类型选为tansig函数，输出层传递函数选为线性函数purelin，训练函数设为trainlm。网络的生成语句如下：net=newff（minmax（ptr），[51]，{'tansig' 'purelin'}，'trainlm'）；利用train函数对所生成的神经网络进行训练。

　　4.对训练出来的神经网络，利用sim函数进行网络仿真。对训练出来的神经网络利用sim函数对2012～2013年第二学期的另外90名学生进行网络仿真评价，同时，对比该组学生的笔试成绩和平时实验成绩的综合成绩，只有7组同学的结果出现偏差，正确率达92.2%。

　　五、结语

　　实验结果表明：基于神经网络的网络学习评价系统能较好地评价学生的学习状况，该系统具有很好的实用性和指导作用，系统设计比较合理，从测试结果看，该模型正确率很高，其性能可满足网络学习评价的要求，评价结果较为科学，系统克服传统评价方法中只能使用线性模型的缺陷，并大大降低了人为因素的影响，能较全面反映学生的学习状况，经系统得到的评价结果和理论结果，显示一致性较好，使用起来简便，可操作性强。

　　参考文献：

　　[1]吕寨平，茹宏丽。网络教学中情感交互设计缺失因素的调查研究[J].教育理论与实践，2011，（27）：45-47.

　　[2]桑庆兵。基于神经网络的双语教学评价体系[J].江南大学学报：自然科学版，2010，（03）：26-30.

　　[3]余菜花。网络课程评价标准研究[J].继续教育研究，2008，（04）：68-70.

　　基金项目：广东省教育科学“十二五”规划项目（2012JK249）。